Statistiques robustes et réseaux profonds pour détecter la somnolence à partir de signaux EEG
Résumé
La somnolence des conducteurs est une cause majeure d'accidents de
la route. L'électroencéphalogramme (EEG) est considéré comme le prédicteur
le plus robuste de cet état cérébral. Cet article propose une nouvelle méthode
de détection de somnolence à l'aide d'une seule électrode, avec un potentiel
d'implémentation temps réel. L'article présente d'abord une méthode originale
pour déterminer le canal EEG le plus pertinent pour surveiller la somnolence,
en utilisant l'analyse de covariance maximale. La seconde contribution consiste
à développer une méthode d'apprentissage profond avec les signaux du canal
déterminé. L'approche procède par extraction des caractéristiques spectrales du
signal. Ces caractéristiques sont utilisées avec un modèle de réseau récurrent à
mémoire court et long terme (LSTM) pour détecter les états de somnolence. La
méthode a été testée sur 12 sujets afin de discriminer les états de somnolence
et d'alerte. Notre résultat principal est que le canal TP7, situé dans la région
temporo-pariétale gauche, est le plus significatif. Cela correspond à une zone
partagée entre la conscience spatiale et la navigation spatiale visuelle. Ce canal
est aussi relié à la faculté de prudence. Malgré le faible volume de données, la
méthode proposée permet de prédire la somnolence avec une précision de 75%
et un délai moyen de 1.4 secondes. Ces résultats prometteurs mettent en lumière
des facteurs importants à considérer pour la surveillance de la somnolence.